�¼�������������ģ�͵Ľ�������֤

在对概率神经网络(PNN)的分类机理、输入向量选取和网络设置分析的基础上，建立了用于识别两类事件模式(无事件模式和有事件模式)的事件检测PNN模型。采用高速公路路段Ⅰ-880实地线圈数据集和事件数据集验证模型，通过比较PNN模型与多层前向神经网络(MLF)模型的结果，发现无论对于向北、向南或混合方向的高速公路事件检测,PNN模型的检测率(DR)比MLF模型高；平均检测时间(MTD)比MLF模型短；但误报率(FAR)较高。概率神经网络是高速公路事件检测的一种有效算法，其在理论基础、算法和学习速度等方面比多层前向神经网络具有优势。     

基于深度学习的车辆异常事件检测研究

基于全连接神经网络以及在高速公路场景下采集的真实车辆数据,设计一种车辆异常事件检测方法。所设计的方法利用激光雷达检测出目标与车道线信息,经过计算组成具备时空特征的输入数据,在将目标数据制作成数据集后,利用神经网络进行训练并提取输入数据的多维度特征,实现车辆异常事件检测。之后利用异常事件检测的时间信息与激光雷达和视频相机的目标融合数据,在视频数据中进行事件取图并加以验证。所述方法的总体检出率为 97.11%,准确率为 97.10%,相关值均高于传统事件检测算法,且算法耗时与传统事件检测算法相比更少。试验证明相应方法能更快速、更准确地识别车辆异常事件。     

基于双路神经网络融合模型的高速公路雾天检测

高速公路天气状况实时监察对于高速行车安全具备重要意义,然而气象检测只能对大范围区域的气象情况进行预报,不能满足高速行车各个路段气象情况实时检测的需求. 为此,提出一种基于双路神经网络融合模型的高速公路雾天检测算法. 该算法基于双路深度神经网络融合模型,提取雾天图像的可视深度图以及暗通道图像两种视觉特征,并利用深度神经网络进行建模,获得初步分类结果;然后,再利用均值融合层进行分数融合. 为了全面评测该算法的性能,构建了一个覆盖多个省份高速公路的视频监控雾天数据集（express way fog detection dataset,EWFD）,该数据集能够全面涵盖国内高速公路的天气情况,并在该数据集上做了全面的分析对比实验. 实验结果显示,本文所提出的双路神经网络融合模型的雾天监测算法取得了93.7%的准确率,与国际前沿的检测分类算法101层残差网络（ResNet-101）相比,本文提出的算法准确率提高了10%以上.      

BP小波神经网络模型及其在交通事件检测中的应用

将小波变换和BP神经网络进行紧致型结合,提出了基于BP小波神经网络的高速公路交通事件检测算法,即采用小波函数代替BP神经网络的隐层节点函数,相应的输入层到隐层的权值以及隐层阈值分别由小波函数的尺度参数和平移参数代替,以上下游检测器的速度、流量和占有率作为算法的输入,采用梯度下降法进行网络训练,构建适合于交通事件检测的小波神经网络模型。最后在Matlab中实现了对新加坡AYE仿真数据的实例分析,并将其与现有的经典算法进行了对比分析。结果表明,BP小波神经网络算法在检测率和平均检测时间方面具有明显的优势。     

基于BP神经网络的交通异常事件自动检测算法

对现有公路交通异常事件自动检测算法进行介绍,在此基础上提出从人工神经网络角度方向建立检测模型,摆脱以往使用仿真数据研究的局限,利用广深高速实测交通异常事件数据对BP神经网络（Back Propagation NN）在交通异常事件自动检测算法中的应用进行研究。结果表明BP神经网络算法具有检测率高、误报率低和检测速度快等优点。     

基于RBF的城市快速路交通异常事件自动检测算法分析

通过对城市快速路交通异常事件自动检测方法的分析,提出用MATLAB神经网络工具箱建立交通异常事件自动检测RBF模型,并通过采集的实测交通异常事件数据对RBF神经网络在自动检测算法中进行仿真研究。结果表明RBF神经网络算法具有检测率高、误报率低和检测速度快等优点。     

基于BP神经网络的煤炭企业可持续发展评价

在分析煤炭企业可持续发展评价方法的基础上，建立了煤炭企业可持续发展评价指标体系，构建了基于误差反向传播算法（BP算法）的多层前向神经网络模型．为减小希望输出与实际输出之间的误差，从输出层神经元到输入层神经元逐层反向修正各连接权，并在网络训练学习的过程中不断执行误差反向传播修正，以提高网络对输入模式响应的正确率．通过算例验证了运用BP神经网络评价煤炭企业可持续发展的有效性和准确性．     

基于粒子群优化SVM的高速公路交通事件检测

为了更加准确地检测出高速公路上的偶发性交通事件,采用一种粒子群优化SVM参数的高速公路交通事件检测算法,提升事件检测效果。文中运用高速公路实测数据集（L880）,对支持向量机算法进行分类性能测试,并且采用改进的粒子群优化算法对支持向量机的参数进行优化,进而利用测试集数据对该模型进行验证比较,获得满意的检测效果。     

基于改进算法的多层神经网络的结构优化设计

简要地介绍了工程中应用较多的多层前向神经网络(BP网络)的结构和网络的设计．通过采用一种改进的训练算法(参考隐层的输出),并结合科学的样本选择方法(“超立方体”法)设计网络,进行网络训练．最后通过数字仿真证明了这个网络模型用于结构优化设计的有效性．     

基于改进算法的多层神经网络的结构优化设计

简要地介绍了工程中应用较多的多层前向神经网络(BP网络)的结构和网络的设计.通过采用一种改进的训练算法(参考隐层的输出),并结合科学的样本选择方法("超立方体"法)设计网络,进行网络训练.最后通过数字仿真证明了这个网络模型用于结构优化设计的有效性.     

信息融合技术在交通事件自动检测中的应用

多传感器信息融合技术这一新兴信息处理技术的出现,为交通事件自动检测(Automatic Incident Detection,AID)算法的设计提供了新的解决方案。将多传感器信息融合技术引入交通事件检测领域,设计了一种基于信息融合技术的交通事件自动检测算法。该方法结合了信息融合理论和小波神经网络算法,充分发挥了多传感器信息融合与小波神经网络理论的优势,使得事件检测的结果更加准确。通过仿真试验,该检测算法的优越性得到验证。     

高速公路固定检测器布设方案分析

为研究高速公路交通事件检测算法及固定检测器布设间距,设计高速公路基本路段的人工神经网络事件检测算法,并研究基本路段检测器布设间距为200～700m时,使用不同情况的事件来检测效果。利用VISSIM4.2软件仿真获得数据,并在MATlab人工神经网络工具箱中计算,验证所设计的事件检测算法的有效性,得出基本路段固定检测器的合理布设间距。     

���ڸ��������ݵij��п���·��ͨ�¼�����㷨�о�

交通事件是引发快速路交通延误的主要因素,迅速、有效的检测事件是快速路交通管理与控制的重要组成部分。本文利用CUSUM理论提出了基于浮动车数据的城市快速路交通事件自动检测算法;通过采集北京市快速路上的真实事件信息以及浮动车探测数据,对不同采样间隔条件下的算法性能进行了实际验证,并与传统的基于浮动车数据的UCB算法验证结果进行了对比分析。结果表明：所提算法在采样间隔为1分钟条件下的检测性能要优于采样间隔为5分钟条件下的检测性能;相对于UCB算法而言,所提算法的检测性能大大提高,在同一误报率条件下检测率可提高10%左右。     

���ڴּ�����Ԥ�������ݵ��� ���罻ͨ�¼��Զ�����㷨

提出了一种基于粗集理论预处理数据的神经网络交通事件自动检测算法.首先简单介绍T数据挖掘技术中的粗集理论，然后说明了算法的原理、计算步骤以及所用的神经网络模型，最后为检验算法的有效性，时MATLAB编制的仿真程序的生成试验数据做了较充分的仿真试验.试验测试结果表明了此方法的有效性.     

交通事件持续时间预测及参数标定

有效的交通事件管理应基于精确的交通事件持续时间预测。交通事件持续时间包括4个部分:事件发现时间,事件响应时间,事件清除时间和交通恢复时间。提出了基于元胞传输模型的交通事件持续时间预测模型以及参数标定方法。实测数据和仿真数据对比结果表明,基于元胞传输模型的交通事件恢复时间预测方法具有较高的精度。     

斜拉桥索无损检测信号的滤波处理方法

针对在役斜拉桥索只能进行无损检测的特点,设计了基于漏磁检测的缆索缺陷检测系统。实测结果表明,缺陷产生的漏磁信号往往附有大量的噪声信号,导致信号特征不显著。为此,应用信号平滑、小波包差分超限滤波和BP神经网络模式识别等信号分析方法,对采集信息进行滤波处理,以获取比较显著的特征量化信号。仿真结果表明,经过滤波处理后的漏磁信号特征明显,为桥梁斜拉索的断丝缺陷检测和分析提供了可靠依据。     

基于热图时序特征和PNN的孔洞缺陷红外无损检测方法

利用热图时序特征和PNN,提出了一种以像素为单位,实现缺陷红外无损检测的新方法。该方法首先采用红外热像仪获取加热试件在降温过程中的红外时序热图;其次,提取时序热图中正常和异常区域的灰度值,建立不同区域的灰度值与时间的关系,进而获得相应的初始特征;再次,采用主成分分析方法对初始特征进行提取,获得时序特征;最后,以时序特征作为训练样本,构建概率神经网络,实现孔洞缺陷检测。实验结果表明,正常区和异常区识别率分别可达到95%和85%。